Le mauvais point de départ d’un projet d’intelligence artificielle est souvent une question du type : « que pourrait-on faire avec ChatGPT dans notre entreprise ? ». Elle ouvre énormément de possibilités, mais ne dit rien sur la valeur. Pour une PME, le meilleur point de départ est beaucoup plus concret : où perdons-nous aujourd’hui du temps, de l’argent, de la qualité ou des opportunités ?
1. Partir des irritants, pas des outils
Listez les tâches que les équipes décrivent spontanément comme pénibles : ressaisir des informations, rechercher un document, vérifier un dossier, répondre toujours aux mêmes demandes, préparer un devis, recopier des données entre deux logiciels ou synthétiser des comptes rendus. Une tâche n’est pas intéressante parce qu’elle « semble automatisable ». Elle devient intéressante lorsqu’elle est suffisamment fréquente et coûteuse.
2. Mesurer le coût actuel
Pour chaque irritant, collectez quatre informations : le volume, la fréquence, le temps moyen et les personnes concernées. Une tâche de quatre minutes peut paraître insignifiante. Répétée 300 fois par semaine, elle représente 20 heures. La mesure permet de comparer des sujets très différents avec une base commune.
3. Distinguer règles, automatisation et IA
Une opération déterministe — par exemple calculer une remise selon une grille — doit rester déterministe. Il n’y a aucune raison de demander à un modèle de langage de faire ce qu’une règle classique réalise de façon plus fiable. L’IA devient intéressante lorsqu’il faut interpréter du texte, extraire des éléments d’un document, classer une demande, retrouver une information ou produire un brouillon à partir d’un contexte.
L’automatisation intervient encore ailleurs : elle relie les étapes. Une IA peut comprendre un email, mais un workflow peut ensuite créer la fiche dans le CRM, joindre le document, notifier la bonne personne et archiver le traitement.
4. Garder une validation humaine sur les enjeux importants
Un modèle génératif produit une réponse probable, pas une vérité garantie. Sur un sujet financier, contractuel, médical, réglementaire ou commercial important, le bon design est souvent un système qui prépare et contrôle, puis demande une validation humaine. L’objectif n’est pas de supprimer l’humain partout : il est de lui retirer la partie répétitive pour concentrer son temps sur le jugement.
5. Prioriser avec impact et faisabilité
Un bon premier cas d’usage possède généralement quatre qualités : volume suffisant, données accessibles, résultat vérifiable et périmètre limité. Il vaut mieux automatiser correctement 60 % d’un processus très fréquent que tenter de remplacer d’un seul coup un processus entier rempli d’exceptions.
6. Fixer l’indicateur avant le prototype
Avant de développer, choisissez ce qui permettra de dire que le projet est utile : temps moyen par dossier, délai de réponse, nombre de dossiers traités, taux d’erreur, nombre de relances, taux de transformation ou coût par opération. Sans référence initiale, il sera impossible de distinguer une belle démonstration d’un véritable progrès.
En résumé
Pour une PME, la stratégie IA la plus raisonnable n’est pas de multiplier les expérimentations. Elle consiste à trouver quelques problèmes bien mesurés, choisir la technologie adaptée à chacun, tester sur un périmètre contrôlé et comparer le résultat à la situation de départ. C’est précisément le rôle du Diagnostic Vega.